我正在使用tf.losses.cosine_distance(Y, outputs, axis=2, reduction=tf.losses.Reduction.MEAN)衡量我的标签和预测之间的差异。张量形状为[batch_size, sequence_length, embedding] 。就我而言，预测的形状是 [16311, 20, 100] .
我的结果如下。
----------------------epoch1----------------------
train 1 loss 1.1429076
----------------------epoch2----------------------
train 2 loss 0.51511204
----------------------epoch3----------------------
train 3 loss -2.5750072
----------------------epoch4----------------------
train 4 loss -6.685198
----------------------epoch5----------------------
train 5 loss -10.863398
余弦相似度的边界是 [0,1] 。但就我而言，它一开始大于 1，并且在几个时期后变为负值。我想知道为什么会发生这些。
我的嵌入包含负数。在计算余弦距离之前我应该对其进行归一化吗？
最佳答案
首先，是的，您应该在计算余弦距离之前进行归一化:(来自文档)
Note that the function assumes that predictions and labels are already unit-normalized.
但是，余弦相似度函数的范围不是[0,1]。考虑向量 (1 0) 和 (-1 0)。两者都是单位向量，余弦相似度为-1。
最后，请注意损失正在计算余弦距离，即 1 减去余弦相似度，因为损失的优化操作是最小化而不是最大化(这适用于余弦相似度)。所以你会期望负数的绝对值越来越大。
关于python - 使用 tensorflow 获取负余弦距离，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56359998/